[英]Generate UTF-8 character list
我有一个 UTF-8 文件,在将文件发送到不理解 UTF-8 的消费系统之前,我将其转换为 ISO-8859-1。 我们当前的问题是,当我们在 UTF-8 文件上运行 iconv 进程时,某些字符会被转换为“?”。 目前,对于每个失败的角色,我们一直在提供修复。 我想了解是否可以创建一个包含所有可能的 UTF-8 字符的文件? 目的是使用 iconv 将它们降级并识别被替换为“?”的字符。
与其查看每个可能的 Unicode 字符(超过 14 万个),我建议执行 iconv 替换,然后查看实际问题所在。 例如:
iconv -f UTF-8 -t ISO-8859-1 --unicode-subst="<U+%04X>"
这会将不在 ISO-8859-1 中的字符转换为“<U+####>”语法。 然后,您可以在输出中搜索这些内容。
如果您的数据将由处理 C 样式转义 (\\u####) 的内容读取,您还可以使用:
iconv -f UTF-8 -t ISO-8859-1 --unicode-subst="\\u%04x"
对于此用例,所有 Unicode 字符的详尽列表似乎相当不切实际。 非拉丁文字中有数以万计的字符,它们在 Latin-1 中没有任何明显的近等值。
相反,可能会寻找从不是 Latin-1 的拉丁字符到相应的同形异义词或近似等价词的映射。
一些编程语言为此提供了现有的库; 一个常见且简单的转换是尝试从无法用 Latin-1 表示的字符中去除任何重音符号,如果可行,则使用无重音变体。 (不过,您需要保留可以标准化为 Latin-1 的任何字符的重音。也许还可以阅读有关 Unicode normalization 的信息。)
这是一个快速而肮脏的 Python 尝试。
from unicodedata import normalize
def latinize(string):
"""
Map string to Latin-1, replacing characters which can be approximated
"""
result = []
for char in string:
try:
byte = normalize("NFKC", char).encode('latin-1')
except UnicodeEncodeError:
byte = normalize("NFKD", char).encode('ascii', 'ignore')
result.append(byte)
return b''.join(result)
def convert(fh):
for line in fh:
print(latinize(line), end='')
def main():
import sys
if len(sys.argv) > 1:
for filename in sys.argv[1:]:
with open(filename, 'r') as fh:
convert(fh)
else:
convert(sys.stdin)
if __name__ == '__main__':
main()
演示: https : //ideone.com/sOEBW9
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.